golang库源码学习——Pond，小而精的工作池库

pond 是一个轻量级的 Goroutine 池库，用于高效管理并发任务。它提供了灵活的配置选项和多种策略，适合处理高并发场景。

GitHub - alitto/pond at v1

一、特点：

1.轻量级

pond 的代码库非常精简，它的V1版本仅有四个业务文件！因此它的体积小，加载速度快。

2.零依赖

只依赖于 Go 的标准库（如 sync、time 等），这个是它最大的特点，其实看代码就能看出来，基本上就是用的chan的封装，但是在这个基础上增加了动态设置的功能

3.稳定性高

因为依赖少，pond 不会因为第三方库的更新或兼容性问题而受到影响，稳定性更高。在复杂的项目环境中，零依赖的库更容易维护和调试

4.易于集成

pond基本可以无缝集成到任何 Go 项目中，无需担心依赖冲突或版本问题

二、场景：

1.嵌入式系统

在资源受限的嵌入式系统中，零依赖的库可以显著减少内存占用和二进制文件大小。

pond 的轻量级特性使其非常适合在嵌入式设备中管理并发任务。

2. 复杂框架

比如业界的负责RPC、HTTP框架，可以减少对原始框架的侵害

3. 微服务架构

在微服务架构中，每个服务通常需要独立部署和运行。零依赖的库可以避免引入不必要的依赖，减少部署复杂度。

pond 可以用于处理微服务中的高并发任务，如请求处理、数据同步等。

4. 高性能计算

在高性能计算场景中，零依赖的库可以减少额外的开销，提升计算效率。

pond 的 Goroutine 池机制可以高效管理并发任务，适合用于并行计算、数据处理等场景。

5. 库开发

如果你正在开发一个 Go 库，并且希望尽量减少对外部依赖的引入，pond 是一个理想的选择。

零依赖的特性可以确保你的库更加通用和易于集成。

三、功能：

1.动态设置 Goroutine 池的大小和工作线程：

package mainimport ("fmt""github.com/alitto/pond"
)func main() {// Create a buffered (non-blocking) pool that can scale up to 100 workers// and has a buffer capacity of 1000 taskspool := pond.New(100, 1000)// Submit 1000 tasksfor i := 0; i < 1000; i++ {n := ipool.Submit(func() {fmt.Printf("Running task #%d\n", n)})}// Stop the pool and wait for all submitted tasks to completepool.StopAndWait()
}

这里例子里面设置了一个1000协程的任务池，并有100个工作线程来处理

我们看下pond的源代码：

func New(maxWorkers, maxCapacity int, options ...Option) *WorkerPool {// Instantiate the poolpool := &WorkerPool{maxWorkers:   maxWorkers,maxCapacity:  maxCapacity,idleTimeout:  defaultIdleTimeout,strategy:     Eager(),panicHandler: defaultPanicHandler,}// Apply all optionsfor _, opt := range options {opt(pool)}// Make sure options are consistentif pool.maxWorkers <= 0 {pool.maxWorkers = 1}if pool.minWorkers > pool.maxWorkers {pool.minWorkers = pool.maxWorkers}if pool.maxCapacity < 0 {pool.maxCapacity = 0}if pool.idleTimeout < 0 {pool.idleTimeout = defaultIdleTimeout}// Initialize base context (if not already set)if pool.context == nil {Context(context.Background())(pool)}// Create tasks channelpool.tasks = make(chan func(), pool.maxCapacity)

本质上就是创建了一个长度为1000的chan

而启动并执行工作线程的前提这里主要做一个“正在工作的线程”数目的比较，如果

runningWorkerCount大于等于设置的线程，或者还有空闲工作线程，则不再生成新的工作线程

func (p *WorkerPool) incrementWorkerCount() bool {p.mutex.Lock()defer p.mutex.Unlock()runningWorkerCount := p.RunningWorkers()// Reached max workers, do not create a new oneif runningWorkerCount >= p.maxWorkers {return false}// Idle workers available, do not create a new oneif runningWorkerCount >= p.minWorkers && runningWorkerCount > 0 && p.IdleWorkers() > 0 {return false}// Execute the resizing strategy to determine if we should create more workersif resize := p.strategy.Resize(runningWorkerCount, p.minWorkers, p.maxWorkers); !resize {return false}// Increment worker countatomic.AddInt32(&p.workerCount, 1)// Increment wait groupp.workersWaitGroup.Add(1)return true
}

当然这里还有一个策略问题后面会讲到

2.动态设置 Goroutine 池的大小和工作线程及最小的工作协程数：

package mainimport ("fmt""github.com/alitto/pond"
)func main() {// Create an unbuffered (blocking) pool with a fixed // number of workerspool := pond.New(10, 0, pond.MinWorkers(10))// Submit 1000 tasksfor i := 0; i < 1000; i++ {n := ipool.Submit(func() {fmt.Printf("Running task #%d\n", n)})}// Stop the pool and wait for all submitted tasks to completepool.StopAndWait()
}

这样设置确保池中始终至少有 10 个 Goroutine，即使没有任务需要处理。当任务到来时，这些 Goroutine 可以立即处理任务，而不需要等待新的，这种设置适合的场景为：

1. 高并发场景：

如果你的应用需要处理大量并发任务，设置 MinWorkers 可以确保有足够的 Goroutine 来处理任务，避免任务堆积。

2. 低延迟场景：

如果你的应用对响应速度要求较高，设置 MinWorkers 可以减少任务处理的时间，提高整体性能。

3. 资源敏感场景：

如果你的应用需要严格控制资源使用，设置 MinWorkers 可以确保 Goroutine 的数量不会低于某个阈值，从而避免资源不足的问题

其中，这里有一个很好的设计模式，设计模式：函数式选项模式（Functional Options Pattern）

看下源码：

func New(maxWorkers, maxCapacity int, options ...Option) *WorkerPool {// Instantiate the poolpool := &WorkerPool{maxWorkers:   maxWorkers,maxCapacity:  maxCapacity,idleTimeout:  defaultIdleTimeout,strategy:     Eager(),panicHandler: defaultPanicHandler,}// Apply all optionsfor _, opt := range options {opt(pool)}...
}

func MinWorkers(minWorkers int) Option {return func(pool *WorkerPool) {pool.minWorkers = minWorkers}
}

可以看出来New方法这里传参都是函数式的，并通过opt进行执行

这样就是典型的函数式选项模式（Functional Options Pattern）

这种模式的核心思想是：

·通过传递函数来配置对象，而不是直接传递参数

·每个函数负责设置对象的一个特定属性

为什么使用函数式选项模式？

可扩展性

如果直接在 New 函数中传递参数，当需要新增配置选项时，必须修改 New 函数的签名，这会导致破坏性变更（Breaking Change）。

使用函数式选项模式，可以通过新增函数来扩展配置选项，而无需修改 New 函数的签名。

灵活性

函数式选项模式允许用户只设置需要的选项，而忽略其他选项。

例如，pond.New 可以接受任意数量的配置函数，用户可以根据需求选择性地传递这些函数。

可读性

通过函数式选项模式，代码的可读性更高。每个配置函数都有一个明确的名称，可以直观地表达其作用。

例如，pond.MinWorkers(10) 比直接传递一个 10 更容易理解。

默认值

函数式选项模式可以方便地为配置选项提供默认值。如果用户没有传递某个配置函数，则使用默认值。

3.动态设置 Goroutine 池的大小和工作线程及任务组和上下文：

  单独创建组：

package mainimport ("fmt""github.com/alitto/pond"
)func main() {// Create a poolpool := pond.New(10, 1000)defer pool.StopAndWait()// Create a task groupgroup := pool.Group()// Submit a group of tasksfor i := 0; i < 20; i++ {n := igroup.Submit(func() {fmt.Printf("Running group task #%d\n", n)})}// Wait for all tasks in the group to completegroup.Wait()
}

创建组及设置组内上下文：

package mainimport ("context""fmt""net/http""github.com/alitto/pond"
)func main() {// Create a worker poolpool := pond.New(10, 1000)defer pool.StopAndWait()// Create a task group associated to a contextgroup, ctx := pool.GroupContext(context.Background())var urls = []string{"https://www.golang.org/","https://www.google.com/","https://www.github.com/",}// Submit tasks to fetch each URLfor _, url := range urls {url := urlgroup.Submit(func() error {req, err := http.NewRequestWithContext(ctx, http.MethodGet, url, nil)resp, err := http.DefaultClient.Do(req)if err == nil {resp.Body.Close()}return err})}// Wait for all HTTP requests to complete.err := group.Wait()if err != nil {fmt.Printf("Failed to fetch URLs: %v", err)} else {fmt.Println("Successfully fetched all URLs")}
}

此功能为共同任务的子任务提供同步、错误传播和上下文取消功能。类似于 golang.org/x/sync/errgroup 软件包中的 errgroup.Group，并发性受 Worker 池约束。

这里主要是便于业务管理

1. 一些灵活的设置：

比如这是工作线程的自动销毁，为闲时降低工作负载

// This will create a pool that will remove workers 100ms after they become idle 
pool := pond.New(10, 1000, pond.IdleTimeout(100 * time.Millisecond))

比如做一些panic的收集

// Custom panic handler function
panicHandler := func(p interface{}) {fmt.Printf("Task panicked: %v", p)
}// This will create a pool that will handle panics using a custom panic handler
pool := pond.New(10, 1000, pond.PanicHandler(panicHandler)))

2. 工作线程策略：

这里是一个比较有意思的地方

池大小调整策略：预设了三种常见场景的策略：进取型、均衡型和懒惰型

进取型：以提高资源使用率为代价最大化响应速度，在某些情况下可能会降低吞吐量。该策略适用于在大部分时间内以小部分容量运行，偶尔会收到突发任务的工人池。这是默认策略。

均衡型：试图在响应速度和吞吐量之间找到平衡。它适用于一般用途的工作池，或那些大部分时间都以接近 50%的容量运行的工作池。

懒惰型：以牺牲响应速度为代价最大化吞吐量。这种策略适用于大部分时间都将以接近最大容量运行的工人池。

默认是Eager

下图说明了随着提交任务数量的增加，不同池大小调整策略的行为。每条线代表池中工作进程的数量（池规模），X 轴代表已提交任务的数量（累计）。

我们看看源码实现：

var maxProcs = runtime.GOMAXPROCS(0)// Preset pool resizing strategies
var (// Eager maximizes responsiveness at the expense of higher resource usage,// which can reduce throughput under certain conditions.// This strategy is meant for worker pools that will operate at a small percentage of their capacity// most of the time and may occasionally receive bursts of tasks. It's the default strategy.Eager = func() ResizingStrategy { return RatedResizer(1) }// Balanced tries to find a balance between responsiveness and throughput.// It's suitable for general purpose worker pools or those// that will operate close to 50% of their capacity most of the time.Balanced = func() ResizingStrategy { return RatedResizer(maxProcs / 2) }// Lazy maximizes throughput at the expense of responsiveness.// This strategy is meant for worker pools that will operate close to their max. capacity most of the time.Lazy = func() ResizingStrategy { return RatedResizer(maxProcs) }
)// ratedResizer implements a rated resizing strategy
type ratedResizer struct {rate uint64hits uint64
}// RatedResizer creates a resizing strategy which can be configured
// to create workers at a specific rate when the pool has no idle workers.
// rate: determines the number of tasks to receive before creating an extra worker.
// A value of 3 can be interpreted as: "Create a new worker every 3 tasks".
func RatedResizer(rate int) ResizingStrategy {if rate < 1 {rate = 1}return &ratedResizer{rate: uint64(rate),}
}func (r *ratedResizer) Resize(runningWorkers, minWorkers, maxWorkers int) bool {if r.rate == 1 || runningWorkers == 0 {return true}r.hits++return r.hits%r.rate == 1
}

可以看到三种策略的本质实现是：基于当前可以运行的CPU核数来判断的

1.进取型默认为一，即主要需要工作线程，就增加

2.均衡型为CPU核数的一半，即如果在一个16核的机器上，每增加8个任务，增加一个工作线程

3.懒惰型为CPU核数，即如果在一个16核的机器上，每增加16个任务，增加一个工作线程

这里就是为什么进取型适合前端页面API的类型，有时猛的过来一堆任务需要完成，但很多时候并不会有线程过来

3. 异步工作：

那提交任务是同步还是异步的？

答案是可以同步、也可以异步

分别是TrySubmit和Submit

func (p *WorkerPool) TrySubmit(task func()) bool {return p.submit(task, false)
}func (p *WorkerPool) submit(task func(), mustSubmit bool) (submitted bool) {if task == nil {return}if p.Stopped() {// Pool is stopped and caller must submit the taskif mustSubmit {panic(ErrSubmitOnStoppedPool)}return}// Increment submitted and waiting task counters as soon as we receive a taskatomic.AddUint64(&p.submittedTaskCount, 1)atomic.AddUint64(&p.waitingTaskCount, 1)p.tasksWaitGroup.Add(1)defer func() {if !submitted {// Task was not sumitted to the pool, decrement submitted and waiting task countersatomic.AddUint64(&p.submittedTaskCount, ^uint64(0))atomic.AddUint64(&p.waitingTaskCount, ^uint64(0))p.tasksWaitGroup.Done()}}()// Start a worker as long as we haven't reached the limitif submitted = p.maybeStartWorker(task); submitted {return}if !mustSubmit {// Attempt to dispatch to an idle worker without blockingselect {case p.tasks <- task:submitted = truereturndefault:// Channel is full and can't wait for an idle worker, so need to exitreturn}}// Submit the task to the tasks channel and wait for it to be picked up by a workerp.tasks <- tasksubmitted = truereturn
}

通过源码可以知道：

异步和同步的区别在于，提交任务后，是否要等提交成功再返回

刚才说到pond本质上是一个chan，长度固定没，如果任务满了，再提交任务，chan会堵塞

所以如果是异步提交就不会堵塞

这里保证的服务不会卡在这里

在很多程序中推荐使用TrySubmit

 可观测

能看的数据：

pool.RunningWorkers() int: Current number of running workers

pool.IdleWorkers() int: Current number of idle workers

pool.MinWorkers() int: Minimum number of worker goroutines

pool.MaxWorkers() int: Maxmimum number of worker goroutines

pool.MaxCapacity() int: Maximum number of tasks that can be waiting in the queue at any given time (queue capacity)

pool.SubmittedTasks() uint64: Total number of tasks submitted since the pool was created

pool.WaitingTasks() uint64: Current number of tasks in the queue that are waiting to be executed

pool.SuccessfulTasks() uint64: Total number of tasks that have successfully completed their exection since the pool was created

pool.FailedTasks() uint64: Total number of tasks that completed with panic since the pool was created

pool.CompletedTasks() uint64: Total number of tasks that have completed their exection either successfully or with panic since the pool was created

所以虽然代码量很少，但依然有做指标监控，使用的时候可以做日志上报